Visualización de datos
Consultas: melisa.digiacomo@gmail.com
En este material encontrarás una guía completa para aprender a crear y personalizar diferentes tipos de gráficos para visualizar tus datos de manera efectiva. Desde gráficos básicos como histogramas y diagramas de dispersión, hasta gráficos más avanzados como barras apiladas y diagramas de violín, aquí podrás aprender cómo utilizar las funciones de R base y el tan utilizado paquete {ggplot2} para crear gráficos atractivos y significativos. Además, encontrarás código en R y explicaciones detalladas para ayudarte a entender el proceso detrás de cada gráfico. ¡Comencemos a explorar el mundo de la visualización de datos!
Gráficos con R base
Gráfico de puntos
Realizaremos un gráfico rápido con la función plot() utilizando el dataset pressure del paquete de R {datasets} que viene precargado.
plot(pressure)
En primer lugar, R observa que el data frame tiene dos columnas, por lo que asume que queremos graficar una columna frente a la otra. En segundo lugar, ya que no se proporcionan etiquetas para los ejes, R utiliza los nombres de las columnas. En tercer lugar, se crean marcas de graduacion del eje en numeros enteros.
Estos gráficos tienen la ventaja de dar rápidamente una visualización de nuestro dataset.
Podríamos querer graficar otras columnas o en distinto orden por lo que es conveniente siempre indicar x e y. Además proporcionamos el tipo de gráfico que queremos (type).
plot(x = pressure$temperature, y = pressure$pressure, type = 'p')
Esto resulta en un gráfico simple. Aún así, R nos permite modificar aspectos estéticos del gráfico: point shape (pch), color (col), límites de ejes (xlim e ylim), etiquetas de ejes (xlab e ylab), título (main), entre otros.
plot(x = pressure$temperature, y = pressure$pressure, type = 'p',
pch = 19, col="red", xlim = c(0, 400),
xlab = "Temperature", ylab = "Pressure", main = "Gráfico de puntos")
Gráfico de líneas
Mismo gráfico anterior pero ahora indicamos type = "l" para obtener un gráfico de líneas.
plot(pressure$temperature, pressure$pressure, type = "l",
xlab = "Temperature", ylab = "Pressure", main = "Gráfico de líneas")
Gráfico de barras
Dentro de {datasets} tenemos datos de Biochemical Oxygen Demand (BOD) que tiene dos columnas (Time y demand). Graficaremos la demanda de oxígeno en los distintos tiempos.
barplot(BOD$demand, names.arg = BOD$Time, ylim = c(0, 20),
xlab = "Time", ylab = "Biochemical Oxygen Demand", main = "Gráfico de barras")
Histograma
Otros datos dentro de {datasets} pertenecen a Motor Trend Car Road Tests (mtcars). Haremos un histograma de la variable numérica mpg (Miles/(US) gallon).
hist(mtcars$mpg, breaks = 10, xlim = c(10, 35),
xlab = "Miles/(US) gallon", main = "Histograma")
Gráfico de cajas
Ahora utilizaremos el dataset ToothGrowth para realizar un gráfico de cajas o boxplot.
Se grafica la longitud de los odontoblastos (células responsables del crecimiento de los dientes) medidas en 60 cobayos comparando dos métodos de administración de vitamina C: jugo de naranja (OJ) o ácido ascórbico (VC).
boxplot(len ~ supp, data = ToothGrowth,
xlab = "Delivery methods", ylab = "Tooth length", main = "Gráfico de cajas")
Ventajas
Realizar gráficos con R base, sin la utilización de un paquete, tiene la ventaja de utilizar funciones simples como plot(), barplot(), hist() y boxplot(). Como se pudo observar, son gráficos de apariencia sencilla pero fáciles y rápidos de realizar para un primer análisis exploratorio de los datos. Ahora veremos cómo realizar gráficos en R con el paquete {ggplot2} en los que podremos personalizar y darle un aspecto más profesional a nuestros gráficos.
Introducción a ggplot2
El paquete {ggplot2} de R es el más utilizado para la visualización de datos. Forma parte del conjunto de paquetes llamado {tidyverse}. Utilizaremos la versión 3.4.1 de {ggplot2}.
Los principales elementos para representar un gráfico con {ggplot2} son los siguientes:
- Data: una estructura de datos con dos dimensiones (data frame) en la cual se puede guardar datos de distintos tipos (como caractéres, enteros, valores de punto flotante, factores y más) que se quieren visualizar.
- Geoms: elementos geométricos (puntos, líneas, círculos, etc.) que se van a representar.
- Aesthetics: una lista de relaciones entre las variables del data frame (como por ejemplo coordenadas x e y) y determinados aspectos estéticos del gráfico (como formas, tamaños o colores).
Normalmente los geoms se van añadiendo de forma consecutiva en distintas capas (layers). Para añadir una nueva capa se usa el signo +.
Otros elementos importantes de un gráfico en {ggplot2}, que pueden estar o no presentes, son: Stats (transformaciones estadísticas), Facets (gráficos en paneles por grupo), Scales (controla títulos, etiquetas, ejes), Themes (estilo de gráficos).
La estructura general del código para obtener un gráfico es:
ggplot(data = 'nombre del data frame') +
geom_nombre1(aes(aesthetics1 = var1, aesthetics2 = var2, ...)) +
geom_nombre2(...) El comando ggplot() se usa para generar el sistema de coordenadas (por defecto, rectangulares) y posteriormente vamos añadiendo los geoms con sus correspondientes aesthetics. En principio los aesthetics se pueden asignar individualmente para cada geom.
Primer gráfico
Datos
Vamos a utilizar datos provenientes del paquete {agridat} que proporciona una amplia colección de conjuntos de datos de experimentos agrícolas provenientes de papers, libros y websites. Documentación: https://cran.rstudio.com/web/packages/agridat/agridat.pdf
# Cargar el paquete
library(agridat)
# Cargar el dataset
soybean <- australia.soybean
# Estructura dataset
str(soybean)## 'data.frame': 464 obs. of 10 variables:
## $ env : Factor w/ 8 levels "B70","B71","L70",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ loc : Factor w/ 4 levels "Brookstead","Lawes",..: 2 2 2 2 2 2 2 2 2 2 ...
## $ year : int 1970 1970 1970 1970 1970 1970 1970 1970 1970 1970 ...
## $ gen : Factor w/ 58 levels "G01","G02","G03",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ yield : num 2.39 2.28 2.57 2.88 2.39 ...
## $ height : num 1.45 1.45 1.46 1.26 1.33 ...
## $ lodging: num 4.25 4.25 3.75 3.5 3.5 4 3 3.25 3 3.75 ...
## $ size : num 8.45 9.95 10.85 10.05 11 ...
## $ protein: num 36.7 37.5 37.8 38.5 37.5 ...
## $ oil : num 20.9 20.7 21.3 22 22.1 ...Podemos observar que el data frame tiene 464 observaciones con 10 variables:
- env: ambiente, 8 niveles, primer caracter corresponde a la localidad y últimos dos caracteres corresponden al año.
- loc: localidad, 4 niveles.
- year: año, numérico (int). En realidad son 2 niveles (1970 y 1971), debemos convertirlo.
- gen: genotipos, del G01 - G58.
- variables numéricas: rendimiento, altura, lodging, tamaño, proteínas y aceites.
Por una cuestión de tipo de dato para trabajar más adelante, convertiremos year a factor de la siguiente manera:
soybean$year <- as.factor(soybean$year)
class(soybean$year) # comprobamos conversión## [1] "factor"| env | loc | year | gen | yield | height | lodging | size | protein | oil |
|---|---|---|---|---|---|---|---|---|---|
| L70 | Lawes | 1970 | G01 | 2.387 | 1.445 | 4.25 | 8.45 | 36.70 | 20.895 |
| L70 | Lawes | 1970 | G02 | 2.282 | 1.450 | 4.25 | 9.95 | 37.55 | 20.740 |
| L70 | Lawes | 1970 | G03 | 2.567 | 1.460 | 3.75 | 10.85 | 37.80 | 21.295 |
| L70 | Lawes | 1970 | G04 | 2.877 | 1.260 | 3.50 | 10.05 | 38.45 | 21.990 |
| L70 | Lawes | 1970 | G05 | 2.392 | 1.335 | 3.50 | 11.00 | 37.50 | 22.130 |
| L70 | Lawes | 1970 | G06 | 2.408 | 1.360 | 4.00 | 11.75 | 38.25 | 21.160 |
Crear un gráfico de dispersión
# Cargar el paquete {ggplot2}
library(ggplot2)Para crear un gráfico se usa el comando ggplot():
ggplot(data = soybean)
Hasta acá solo asignamos al gráfico el conjunto de datos que queremos visualizar. No se representa gráficamente nada hasta que no se añaden más capas.
Layers: Añadir capas
Las capas sirven para proporcionar información sobre cómo queremos visualizar los datos. Esto se lleva a cabo a través de un geom. Este es un ejemplo sencillo usando geom_point() que es el geom correspondiente un diagrama de dispersión (cada tipo de gráfico tiene el suyo). En primer lugar, mediante aes() asignamos las coordenadas x e y.
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield))
Los gráficos de dispersión son gráficos de puntos que se usan para averiguar la intensidad de la relación entre dos variables numéricas.
Si queremos añadir información sobre la localidad lo podemos hacer a partir de diferentes colores, especificando que el color de los puntos dependa de la variable loc:
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield, col = loc))
El argumento aes() (aesthetics) asigna variables a ciertos aspectos del gráfico. En general, cada geom admitirá un conjunto determinado de aesthetics. En el caso particular de geom_point, mediante aes() podemos hacer depender de una variable otros aspectos como la forma o el tamaño de los puntos. Por ejemplo, para tomar una aesthetic como forma necesitamos una variable del tipo factor de la siguiente forma:
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield, shape= year)) # una forma para cada año
En este ejemplo podemos querer distinguir las distintas localidades y los dos años de evaluación, por lo que podemos agregar más de un aspecto al gráfico:
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield, shape = year, col = loc))
Estos aspectos se pueden fijar en lugar de hacerlos depender de una variable. En este caso el valor del argumento se asigna fuera de la lista de aesthetics. Es necesario consultar la web de {ggplot2} para saber qué aesthetics admite cada geom en particular. También se puede consultar la documentación directamente desde Help en RStudio o tipeando el comando ?geom_point en consola.
En el siguiente ejemplo se fijó el color de los puntos, su tamaño y el grado de transparencia, lo que es útil cuando hay muchos puntos:
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield),
col = 'darkblue', # color de los puntos
size = 3, # tamaño de los puntos
alpha = 0.3) # nivel de transparencia de los puntos 
Stats: Transformaciones estadísticas
Algunos geoms requieren llevar a cabo alguna transformación estadística (stat) que toma un conjunto de datos y crea otro nuevo. De esta forma combinando geom y stat se pueden obtener una gran variedad de visualizaciones. A veces se puede asignar una transformación estadística a un geom mediante el argumento method. Por ejemplo, geom_smooth() usa distintos métodos para estimar la curva de regresión de una variable por otra, incluyendo el método de mínimos cuadrados, que es el más conocido:
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield),
col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(aes(x = size, y = yield), method = 'lm') # Añade la recta## `geom_smooth()` using formula = 'y ~ x'
Vemos el siguiente mensaje en consola: geom_smooth() using formula 'y ~ x'. Esto nos está advirtiendo que por defecto está graficando y en función de x, uno podría especificarlo o querer graficar una relación diferente, por ejemplo logarítmica formula = 'y ~ log(x)' o una cuadrática formula = 'y ~ x + I(x^2)'. Incluso podemos graficar más de una para comparar usando dos geom_smooth() por separado.
ggplot(data = soybean) +
geom_point(aes(x = size, y = yield),
col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(aes(x = size, y = yield), method = 'lm', formula = 'y ~ x', col = 'blue') + # lineal
geom_smooth(aes(x = size, y = yield), method = 'lm', formula = 'y ~ x + I(x^2)', col = 'red') # cuadrática
Ahora que añadimos un nuevo geom podemos analizar que la asignación de las coordenadas x e y a las variables podría haberse hecho directamente en la primera línea obteniendo mismos resultados y evitando repetir tanto código.
ggplot(data = soybean, aes(x = size, y = yield)) + # Esta asignación se fija para todos los geoms
geom_point(col = 'darkblue', size = 3, alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x')
La repetición de los aes() en cada geom tiene la ventaja de permitir hacer una asignación a variables diferentes en cada uno de ellos en lugar de mantener la asignación fija para todos.
Con geom_smooth() vemos que se representa el intervalo de confianza. En el siguiente ejemplo lo eliminamos y, además, modificamos otros aspectos estéticos del gráfico:
# Modificamos algunos aspectos estéticos del gráfico:
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black', # recta en color negro
se=FALSE) # Se eliminan el intervalo de confianza (se=standard error)
Si asignamos el tipo de línea a la localidad, obtendremos las rectas de mínimos cuadrados para las cuatro localidades:
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(aes(linetype = loc),
method = 'lm', formula = 'y ~ x',
col = 'black', # Se representa la recta en color negro
se=FALSE) # Se eliminan las bandas de confianza (se=standard error)
Facets: paneles
En el gráfico anterior estamos mostrando muchas cosas en un solo gráfico. Puede ser conveniente representar un gráfico para cada una de las localidades por separado, es decir, por grupos. Los facets, otro elemento importante en {ggplot2}, determinan que se debe representar un gráfico condicionado a cada uno de los valores de alguna de las variables. Se añaden de la siguiente forma:
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black',
se=FALSE) +
facet_wrap( ~ loc) # un gráfico para cada localidad
Scales: escalas
Podemos añadir un título o cambiar las etiquetas de los ejes añadiendo una nueva capa con el comando labs(). Para modificar los límites de los ejes usamos xlim() e ylim(). También se pueden modificar los límites de variables continuas (x e y) con scale_x_continuous() y scale_y_continuous().
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black',
se=FALSE) +
facet_wrap( ~ loc) +
# títulos y etiquetas ejes:
labs(title='Australia soybean',
x='Size (millimeters)',
y='Yield (metric tons / hectare)') +
# límites ejes 2 formas:
xlim(3, 25) +
scale_y_continuous(limits = c(0, 5)) 
También se puede elegir escalas de colores manuales con scale_color_manual(). Se debe especificar en aes() qué variable se desea colorear y eliminar cualquier color fijo dentro del geom.
ggplot(data = soybean, aes(x = size, y = yield, col = loc)) + # color por localidad
geom_point(size = 3, alpha = 0.5) + # No dejamos color fijo
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black',
se=FALSE) +
facet_wrap( ~ loc) +
labs(title='Australia soybean',
x='Size (millimeters)',
y='Yield (metric tons / hectare)') +
scale_color_manual(values=c('#6baed6','#4292c6','#2171b5','#084594')) # escala colores
Themes: estilos
Hasta ahora usamos el estilo de gráficos por defecto con su característico fondo gris. Se puede cambiar añadiendo una nueva capa. usando diferentes themes.
En el siguiente gráfico donde analizamos cada localidad-año (env) cambiamos a theme_bw():
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black',
se=FALSE) +
facet_wrap( ~ env, nrow = 4) + # nrow: indicamos número de filas
labs(title='Australia soybean',
x='Size (millimeters)',
y='Yield (metric tons / hectare)') +
theme_bw()
Más gráficos
Vamos a graficar algunos ejemplos de los tipos de gráficos más utilizados: líneas, barras, histogramas y diagramas de cajas (boxplots).
Líneas
Los gráficos de líneas muestran una serie como un conjunto de puntos conectados mediante una sola línea. Los gráficos de líneas se usan para representar datos que tienen lugar durante un período continuado de tiempo. En {ggplot2} añadimos una capa con el comando geom_line().
En este caso tomaremos datos de 9 años (1974-1982) de la altura de cebada.
# Dataset cebada
barley <- aastveit.barley.height
str(barley)## 'data.frame': 135 obs. of 3 variables:
## $ year : int 1974 1975 1976 1977 1978 1979 1980 1981 1982 1974 ...
## $ gen : Factor w/ 15 levels "G01","G02","G03",..: 1 1 1 1 1 1 1 1 1 2 ...
## $ height: num 81 67.3 71.5 64.3 55.8 84.9 86.2 88 72 72.3 ...Si observamos el dataset posee 15 genotipos de cebada, haremos un subset de nuestros datos y veremos cómo varió la altura en un dado genotipo (G01) a través de los años. {ggplot2} nos permite generar el subset dentro de ggplot() para evitar generar un nuevo data frame.
ggplot(data = subset(barley, gen == "G01")) +
geom_line(aes(x = year, y = height))
Si queremos analizar todos los genotipos, con un facet por genotipo podemos diferenciarlos en distintos gráficos. Para trabajar un poco más la estética del gráfico podemos ensanchar la línea (linewidth) y colorearla de azul (color), se puede querer agregar puntos a través de una nueva capa utilizando geom_point() y cambiar a theme_bw().
ggplot(data = barley, aes(x = year, y = height)) + # tomando el dataset completo
geom_line(color = 'blue', linewidth = 1.2) + # color y grosor de la línea
geom_point() + # agregamos puntos
facet_wrap( ~ gen) + # agrupamos por genotipo
labs(title='Barley heights in Norway',
x='Year',
y='Height (cm)') +
theme_bw()
Barras
Los gráficos de barras se utilizan para representar una variable categórica o variables cuantitativas discretas. Se representan barras verticales proporcionales a los valores de la variable en cada categoría o valor. Para crear gráficos de barras con {ggplot2} se usa geom_bar().
Para hacer nuestro primer gráfico de barras vamos a utilizar un dataset de corderos que contiene la variable categórica raza (breed) y graficaremos cuántos individuos hay de cada una de las 3 razas.
# Dataset corderos
lamb <- alwan.lamb
str(lamb)## 'data.frame': 340 obs. of 11 variables:
## $ year : int 1980 1980 1980 1980 1980 1980 1980 1980 1980 1980 ...
## $ breed: Factor w/ 3 levels "BR","BRP","PP": 3 3 3 3 3 3 3 3 3 3 ...
## $ sex : Factor w/ 2 levels "F","M": 1 1 1 1 1 2 2 2 2 2 ...
## $ sire0: Factor w/ 34 levels "S01","S02","S03",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ shape: Factor w/ 5 levels "LF1","LF2","LF3",..: 5 4 3 2 1 5 4 3 2 1 ...
## $ count: int 31 17 0 0 0 21 8 0 0 0 ...
## $ sire : Factor w/ 34 levels "S01","S02","S03",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ yr : int 1 1 1 1 1 1 1 1 1 1 ...
## $ b1 : int 1 1 1 1 1 1 1 1 1 1 ...
## $ b2 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ b3 : int 0 0 0 0 0 0 0 0 0 0 ...# Gráfico
ggplot(lamb, aes(breed)) +
geom_bar()
Usando geom_text() podemos agregar como texto el valor del count sobre las barras:
# Gráfico
ggplot(lamb, aes(breed)) +
geom_bar() +
geom_text(stat='count', aes(label=after_stat(count)), vjust=-0.5)
Ahora invertimos las barras con cord_flip():
ggplot(lamb, aes(breed)) +
geom_bar(fill = "darkblue") +
labs(title='Lambs',
x='Breed',
y='Count') +
coord_flip() # invertimos ejes
Si tuvieramos estos datos ya contabilizados en una tabla de frecuencias, tendremos que especificar en aes() que la variable y a graficar es la variable con las frecuencias. Además tendramos que usar geom_bar(stat = "identity") o directamente usar geom_col() que ya usa por defecto stat_identity().
Veamos con un ejemplo. Replicamos los números anteriores armando nuestro propio data frame con el número total de cada raza.
# Data frame
df <- data.frame (breed = c("BR", "BRP", "PP"),
n = c(30, 180, 130))
# Gráfico de barras especificando x e y, usando geom_bar(stat = "identity")
ggplot(df, aes(x = breed, y = n)) +
geom_bar(stat = "identity", fill = "darkblue") +
labs(title='Con geom_bar(stat = "identity")')
# Con geom_col()
ggplot(df, aes(x = breed, y = n)) +
geom_col(fill = "steelblue") +
labs(title='Con geom_col()')
Podemos querer darle un orden a las barras de menor a mayor basado en el n. Para ello usamos reorder(). Ordenamos la variable x (breed) en base a la variable y (n) especificando x = reorder(breed, n) en el siguiente código:
ggplot(df, aes(x = reorder(breed, n), y = n)) +
geom_col(fill = "steelblue")
Histogramas
Un histograma es un gráfico de una variable en forma de barras que se utiliza para representar la distribución de frecuencias de una variable. Para graficar un histograma se usa geom_histogram().
Volviendo al dataset de soja, veamos el histograma para proteína. Con las opciones por defecto resulta:
ggplot(data = soybean) +
geom_histogram(aes(x = protein))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Con el siguiente código añadimos un y= after_stat(density) para graficar las frecuencias relativas, cambiamos el número de rectángulos del histograma (bins), los colores y otros aspectos del gráfico:
ggplot(data = soybean) +
geom_histogram(aes(x = protein,
y= after_stat(density)), # para que el área sea 1, frec relativas
bins=20,
fill='blue', # color barra
col='black') + # color contorno
labs(x = 'Protein (%)', y = 'Relative frequency', title = 'Histogram') +
facet_wrap( ~ loc, nrow = 2) +
theme_bw() +
theme(panel.grid = element_blank()) # elimina la grilla de fondo
Diagramas de cajas
Los diagramas de caja o boxplots, también conocidos como diagramas de cajas y bigotes, son una representación gráfica que permite resumir las características principales de los datos (posición, dispersión, asimetría) e identificar la presencia de valores atípicos. Para representar diagramas de cajas se usa geom_boxplot().
La caja está atravesada por una línea (la mediana o Q2), su base representa el Q1 y su parte superior, el Q3. Las líneas exteriores representan Q1 - 1.5 IQR y Q3 + 1.5 IQR (IQR: rango intercuartil). Los puntos corresponden a valores atípicos (outliers).
Ahora tomaremos un dataset de lechuga que posee medidas de peso (weight) de varias plantas (n = 18) en distintos días de observacion para 3 tratamientos (trt).
# Dataset lechuga
lettuce <- pederson.lettuce.repeated
str(lettuce)## 'data.frame': 594 obs. of 4 variables:
## $ plant : int 1 2 3 4 5 6 7 8 9 10 ...
## $ day : int 1 1 1 1 1 1 1 1 1 1 ...
## $ trt : Factor w/ 3 levels "T1","T2","T3": 1 1 1 1 1 1 1 1 1 1 ...
## $ weight: num 44 48.4 55.5 48.6 48.1 42.6 55.4 47.5 48.8 51.2 ...Supongamos que queremos analizar las observaciones hechas en el último día de medición (a los 40 días) y comparar los 3 tratamientos. Con las opciones por defecto resulta:
# Gráfico de cajas
ggplot(data = subset(lettuce, day == 40)) +
geom_boxplot(aes(x = trt, y = weight))
Para cambiar los ejes se usa coord_flip(). Es posible añadir los puntos con otra capa usando geom_jitter(). Cambiaremos otros aspectos del gráfico, obteniendo lo siguiente:
ggplot(data = subset(lettuce, day == 40)) +
geom_boxplot(aes(x = trt, y = weight),
col = 'black', fill = "#1134f7", alpha=0.75) + # relleno en código hex, alpha: transparencia
coord_flip() + # cambiar ejes
geom_jitter(aes(x = trt, y = weight), # agregar puntos
size = 3,
alpha = 0.5,
width = 0.1) +
labs(title='Boxplot',
x='Treatment',
y='Weight (g)') +
theme_classic()
Gráficos más avanzados
Gráfico de violín
Mientras que un boxplot muestra la distribución de datos a través de cinco estadísticas numéricas y es más adecuado para identificar valores atípicos, un gráfico de violín muestra la distribución de datos como una densidad.
ggplot(data = subset(lettuce, day == 40), aes(x = trt, y = weight)) +
geom_violin()
Ambos gráficos son útiles para visualizar la distribución de los datos y pueden ser utilizados en conjunto para una exploración más completa de los datos. Además modificamos aspectos estéticos y obtenemos el siguiente gráfico:
ggplot(data = subset(lettuce, day == 40), aes(x = trt, y = weight)) +
geom_violin(fill = "#9ecae1") +
geom_boxplot(width = 0.15) + # agregamos boxplot
geom_jitter(size = 2, alpha = 0.5, width = 0.05) + # agregamos puntos
labs(title='Gráfico de violín',
x='Treatment',
y='Weight (g)') +
theme_classic()
En la siguiente animación se puede ver la progresión de un simple gráfico a uno más completo:
Para obtener el código de R para cada grafico, click aquí.
Gráfico de barras apiladas
Un diagrama de barras apiladas muestra un valor numérico para un conjunto de entidades divididas en grupos y subgrupos. Por lo tanto, el conjunto de datos debe proporcionar al menos dos variables categóricas para los niveles de grupo (en eje x) y subgrupo (en fill).
ggplot(data = lamb, aes(x = breed, fill = sex)) +
geom_bar()
Puede realizarse la contabilización como en el caso anterior o graficarse una variable numérica especificándola como y y agregando geom_bar(stat = "identity").
Para mostrar las barras apiladas como un porcentaje se debe especificar position = "fill" dentro de geom_bar(). Así se ve claramente la relación de las partes constituyentes con el todo, en este caso, para cada raza un 50% son hembras y un 50% son machos.
ggplot(data = lamb, aes(x = breed, fill = sex)) +
geom_bar(position = "fill")
Gráfico de barras agrupadas
Para que las barras estén una al lado de la otra se debe especificar position = "dodge" dentro de geom_bar().
ggplot(data = lamb, aes(x = sex, fill = breed)) +
geom_bar(position = "dodge")
Modificanmos el gráfico eligiendo colores y modificando etiquetas:
ggplot(data = lamb, aes(x = sex, fill = breed)) +
geom_bar(position = "dodge") +
scale_fill_manual(values=c("#2171b5", "#9ecae1", "#08306b")) +
labs(title='Gráfico de barras agrupadas',
x='Sex',
y='Count') +
theme_classic()
Guardar un gráfico
Hasta acá, todos nuestros gráficos aparecieron en la ventana Plots de RStudio. Esta representa un dispositivo gráfico (graphic device) donde se puede visualizar un gráfico.
Para exportar un gráfico existen diferentes formas que veremos a continuación.
- Una de ellas es mandando nuestro gráfico a un dispositivo gráfico como JPG, PNG o algún otro tipo de archivo que pueda ser almacenado en nuestro disco duro.
Para exportar un gráfico usamos alguna de las siguientes funciones, cada una corresponde con un tipo de archivo distinto: jpeg(), pdf(), png(), tiff().
Cada una de estas funciones tiene los siguientes argumentos tres argumentos principales:
- filename: nombre y ruta del archivo de imagen a crear. Si no especificamos una ruta completa, entonces el el archivo será creado en nuestro directorio de trabajo.
- width: ancho del archivo de imagen a crear, por defecto en pixeles.
- height: alto del archivo de imagen a crear, por defecto en pixeles.
También se puede especificar unit (para cambiar las unidades de ancho y alto), res (resolución en ppi), pointsize (tamaño del texto) y bg (color de fondo del gráfico), entre otros.
La manera de utilizar estas funciones es llamándolas antes de llamar a una función que genere un gráfico. Al hacer esto, le indicamos a R que en lugar de mandar nuestro gráfico a una ventana del escritorio, lo mande a un dispositivo gráfico distinto. Finalmente, llamamos a la función dev.off(), para cerrar el dispositivo gráfico que hemos elegido, de este modo se creará un archivo y podremos crear más gráficos después.
png(filename = "myfirstplot.png", width = 12, height = 6, units = "in", res = 300)
ggplot(data = soybean, aes(x = size, y = yield)) +
geom_point(col = 'darkblue',
size = 3,
alpha = 0.3) +
geom_smooth(method = 'lm', formula = 'y ~ x',
col = 'black',
se=FALSE) +
facet_wrap( ~ env, nrow = 4) +
labs(title='Australia soybean',
x='Size (millimeters)',
y='Yield (metric tons / hectare)') +
theme_bw()
dev.off()- Una forma manual de hacer esto desde RStudio es desde Export en la ventana Plots o desde Save as en la ventana R Graphics. Por ejemplo, desde Export podremos especificar el formato, el directorio, el nombre del archivo y su ancho y alto:
- Con
ggsave()se puede guardar el gráfico en png, jpeg, tiff, svg, eps, pdf, entre otros. Se especifica el nombre y el directorio, el ancho y alto en sus unidades ("in", "cm", "mm", or "px") y la resolución (dpi).
my_plot <- ggplot(data = subset(lettuce, day == 40)) +
geom_boxplot(aes(x = trt, y = weight),
col = 'black', fill = "#1134f7", alpha=0.75) +
coord_flip() +
geom_jitter(aes(x = trt, y = weight),
size = 3,
alpha = 0.5,
width = 0.1) +
labs(title='Boxplot',
x='Treatment',
y='Weight (g)') +
theme_classic()
ggsave("mythirdplot.png", plot = my_plot, width = 12, height = 6, units = "in", dpi = 300)Ejercitación
Vamos a obtener el siguiente gráfico siguiendo las consignas detalladas debajo.
Utilizando el dataset australia.soybean de {agridat}:
Cargar los paquetes necesarios
Convertir la variable year a factor
Copiar el siguiente gráfico base para comenzar a trabajar:
ggplot(data = soybean, aes(x = height, y = protein)) +
geom_point(size = 3, alpha = 0.5)Dividir el gráfico en grupos/paneles en base al ambiente (env) y agregar nrow = 4 para obtener 4 filas
Modificar los puntos de
geom_point()con color determinado por localidad y forma, por año- Agregar etiquetas a los ejes:
- Título: Soja en Australia
- Eje x: Altura (m)
- Eje y: Proteína (%)
- Color: Localidad (modifica título de leyenda)
- Shape: Año (modifica título de leyenda)
Modificar theme a
theme_bw()Guardar gráfico en png
Bibliografía
Documentación {ggplot2}
Function reference {ggplot2}
Cheat Sheet {ggplot2}
Extensiones de ggplot2
Libro {ggplot2}
R graphics cookbook
R charts
R Graph Gallery
R Data Viz Cheat Sheet
R session info
## R version 4.2.2 (2022-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 8.1 x64 (build 9600)
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=English_United States.1252
## [2] LC_CTYPE=English_United States.1252
## [3] LC_MONETARY=English_United States.1252
## [4] LC_NUMERIC=C
## [5] LC_TIME=English_United States.1252
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] ggplot2_3.4.1 knitr_1.42 agridat_1.21
##
## loaded via a namespace (and not attached):
## [1] bslib_0.4.2 compiler_4.2.2 pillar_1.8.1 jquerylib_0.1.4
## [5] highr_0.10 tools_4.2.2 digest_0.6.31 lattice_0.20-45
## [9] nlme_3.1-160 jsonlite_1.8.4 evaluate_0.20 lifecycle_1.0.3
## [13] tibble_3.1.8 gtable_0.3.1 mgcv_1.8-41 pkgconfig_2.0.3
## [17] rlang_1.0.6 Matrix_1.5-1 cli_3.6.0 rstudioapi_0.14
## [21] yaml_2.3.7 xfun_0.37 fastmap_1.1.0 withr_2.5.0
## [25] dplyr_1.1.0 generics_0.1.3 vctrs_0.5.2 sass_0.4.5
## [29] grid_4.2.2 tidyselect_1.2.0 glue_1.6.2 R6_2.5.1
## [33] fansi_1.0.4 rmarkdown_2.20 farver_2.1.1 magrittr_2.0.3
## [37] splines_4.2.2 scales_1.2.1 htmltools_0.5.4 colorspace_2.1-0
## [41] labeling_0.4.2 utf8_1.2.3 munsell_0.5.0 cachem_1.0.6